• Tidak ada hasil yang ditemukan

View of Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network

N/A
N/A
Protected

Academic year: 2023

Membagikan "View of Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network"

Copied!
14
0
0

Teks penuh

(1)

Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 273

http://jurnal.mdp.ac.id jatisi@mdp.ac.id

Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode

Backpropagation Neural Network

Yosef David Wibowo S.1, Ramos Somya2

1,2Universitas Kristen Satya Wacana; Jl. Diponegoro 56-60, Salatiga, Kec.Sidorejo, Kota Salatiga, Jawa Tengah 50711, (0298) 321212

3Jurusan Teknik Informatika, FTI UKSW, Salatiga

e-mail: 1672018049@student.uksw.edu, 2ramos.somya@uksw.edu

Abstrak

Berkembangnya Teknologi Informasi di masa saat ini terutama perkembangan di bidang keuangan digital membuat masyarakat beralih dari investasi atau menabung secara manual menjadi secara digital. Perkembangan Teknologi juga menghasilkan sebuah inovasi baru yaitu Cryptocurrency atau Mata Uang digital yang dibangun dari teknologi Blockchain.

Karena perkembangan keuangan digital, banyak masyarakat yang beralih dari mata uang konvensional menjadi Cryptocurrency karena keuntungannya yang menjanjikan. Maka dari itu penelitian ini meneliti tentang penggunaan Backrpropagation Neural Network untuk memprediksi harga Cryptocurrency yaitu Cryptocurrency Ethereum dan mengetahui seberapa efektif penggunaan algoritma Backpropagation Neural Network dengan 3 buah aristektur Backpropagation Neural Network yaitu 3-8-1, 3-9-1 dan 3-10-1, output dari hasil prediksi Cryptocurrency Ethereum menggunakan algoritma Backpropagation Neural Network dalam bentuk sistem informasi hasil prediksi cryptocurrency Ethereum berbasis website.

Kata kunci—Konvensional, Cryptocurrency, Blockchain, Backpropagation Neural Network

Abstract

The development of information technology at this time, especially developments in the field of digital finance, has made people switch from manual investment or storage to digital finance. Technological developments have also produced a new innovation, namely Cryptocurrency, or digital currency built on Blockchain technology. Due to the development of digital finance, many people are switching from conventional currencies to cryptocurrencies because of the promised benefits. Therefore, this study examines the use of the Backpropagation Neural Network to predict the price of cryptocurrency, namely Cryptocurrency Ethereum and finds out how effective the use of the Backpropagation Neural Network algorithm with 3 Backpropagation Neural Network architectures, namely 3-8-1, 3-9-1, and 3-10-1, the output of the Ethereum Cryptocurrency prediction results using the Backpropagation Neural Network algorithm in the form of a cryptocurrency prediction information system based on website.

Keywords— Conventional, Cryptocurrency, Blockchain, Backpropagation Neural Network

(2)

1. PENDAHULUAN

erkembangya Teknologi Informasi di saat ini menyebabkan kita seolah-olah diharuskan ikut arus dalam teknologi yang berkembang pada saat ini. Sebelum adanya kemajuan teknologi semua kita lakukan dengan cara manual, tetapi ketika teknologi itu berkembang kita juga harus mengikuti arus teknologi yang ada.

Teknologi yang berkembang hingga saat ini tidak hanya berkembang dalam segi fisik saja tetapi berkembang juga secara digital. Pada saat ini berkembang aplikasi-aplikasi digital seperti e-commerce, e-wallet dan bank digital. Berkembangnya teknologi juga merambah di bidang keuangan[1].

Di saat ini perkembangan keuangan yang sedang populer adalah Cryptocurrency yang terbuat dengan sistem teknologi blockchain, blockchain membuat semua proses dilakukan secara otomatis oleh sistem dan tidak bisa dimanipulasi dan sangat mudah dilacak transaksinya karena menggunakan hash yang berbeda setiap transaksinya[2]. Perkembangan cryptocurrency pertama adalah Bitcoin yang diciptakan pada tahun 2009 oleh Satoshi Nakamoto, yang sekarang dijuluki sebagai The Mother of Cryptocurrency karena Bitcoin sebagai pelopor pertama pembentukan mata uang digital blockchain. Hingga saat ini ada total 12.812 cryptocurrency yang beredar di seluruh dunia[3].

Berkembang pesatnya Cryptocurrency di Dunia bahkan di Indonesia dan kenaikan harga yang fantastis membuat masyarakat ingin berinvestasi Cryptocurrency. Investor baru pun ingin asset cryptocurrency miliknya ingin naik puluhan hingga ratusan persen. Maka Dari itu data mining bisa menjadi acuan prediksi harga pada masa yang akan datang. Di penelitian yang penulis buat akan memprediksi harga salah satu cryptocurrency yaitu Ethereum di masa yang akan datang.

Salah satu cara untuk meminimalkan permasalahan tersebut adalah dengan membuat sebuah Website yang berisi tentang prediksi harga cryptocurrency Ethereum dengan data hasil prediksi Backpropagation Neural Network yang bersumber dari dataset harga pembukaan, penutupan, volume, harga terendah dan harga tertinggi dari hari tersebut. Dataset yang diolah merupakan dataset harian Ethereum dari tahun 2015 – September 2021.

Melalui latar belakang masalah yang ada, maka dilakukan penelitian yang bertujuan untuk mengetahui keakuratan prediksi dengan menggunakan algoritma Backpropagation Neural Network di Cryptocurrency Ethereum serta merancang Sistem Informasi berbasis website yang berisi informasi hasil prediksi harga Ethereum berupa Grafik dan tabel hasil prediksi.

Pada penelitian Eka Patriya(2020), yang meneliti tentang Implementasi Support Vector Machine pada Prediksi Harga Saham Gabungan (IHSG). Penelitian ini bertujuan untuk menemukan suatu trend atau pola yang mungkin berulang dari pergerakan harga saham masa lalu, sehingga dapat digunakan untuk memprediksi pergerakan harga saham di masa mendatang.

Pada penelitian ini dibuat sebuah model prediksi harga penutupan IHSG menggunakan algoritma Support Vector Regression (SVR) yang menghasilkan kemampuan prediksi dan generalisasi yang baik dengan nilai RMSE training dan testing sebesar 14.334 dan 20.281, serta MAPE training dan testing sebesar 0.211% dan 0.251%. Hasil penelitian ini diharapkan dapat membantu para investor dalam mengambil keputusan untuk menyusun strategi investasi saham[4]. Pada penelitian Mohammad Guntur, Julius Santony , Yuhandri (2018), yang meneliti tentang Prediksi Harga Emas dengan Menggunakan Metode Naïve Bayes dalam Investasi untuk Meminimalisasi Resiko. Penelitian ini bertujuan untuk memprediksi harga emas yang bisa membantu pengambil keputusan dalam menentukan apakah harus menjual atau membeli emas.

Berdasarkan hasil perhitungan yang telah dilakukan, metode Naïve Bayes Classifier mampu digunakan untuk memprediksi harga emas untuk 14 hari kedepan, data yang digunakan untuk

B

(3)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 275

Yosef, et., al [Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network]

r, implies research results (First Author) pengujian sebanyak 16 data dan diperoleh tingkat akurasi sebesar 75%, dengan hasil ini diharapkan dapat membantu para investor untuk mengambil keputusan dengan baik[5].

Sedangkan pada penelitian Usman, Dosen STMIK Dipanegara Makassar, meneliti tentang Prediksi Harga Lada Dengan Menggunakan Neural Network Berbasis Particle Swarm Optimization. Penelitian ini bertujuan untuk memprediksi harga Lada, Dari hasil penelitian diperoleh model terbaik pada backpropagation neural network dengan parameter untuk training cycle 900, learning rate 0.2 dan momentum 0.2, serta neuron size 2 sedangkan pada particle swarm optimization nilai population size 15, nilai max.of generation 55, nilai inertia weight 1.0, nilai local best weight 1.0 dan nilai global best weight 1.0 menghasilkan nilai RMSE yang lebih baik yaitu 0.084 dibandingkan dengan hanya menggunakan BPNN saja yaitu 0.096[6].

Karena belum adanya penelitian mengenai prediksi harga cryptocurrency Ethereum menggunakan Backpropagation Neural Network, maka dalam penelitian ini akan meneliti tentang keefektifan penggunaan Backpropagation Neural Network untuk memprediksi harga Ethereum dengan menghitung nilai error dengan MAPE dari 3 buah arsitektur BNN 3-8-1, 3-9-1 dan 3-10-1, serta membuat website Sistem Informasi hasil Prediksi untuk dapat dilihat oleh masyarakat umum.

2. METODE PENELITIAN

Metode penelitian yang dilakukan melalui tahapan penelitian yang terbagi dalam 7 tahapan, yaitu : 1) Pengambilan Sampel, 2) Preprocessing Data, 3) Training Data dan Testing Data, 4) Pembuatan Model Backpropagation Neural Network, 5) Proses Backpropagation Neural Network 6) Hasil Prediksi, 7) Penulisan laporan hasil penelitian.

Gambar 1. Tahapan Penelitian

(4)

Tahapan penelitian pada Gambar 1 dapat dijelaskan sebagai berikut: 1) Tahap pertama adalah proses pengambilan Sampel, pengambilan sampel yang diambil adalah sampel Dataset Ethereum dari Agustus 2015 - September 2021. Untuk pengambilan data, data diambil dari website Kaggle. 2) Tahap kedua adalah proses processing data, setelah data diambil data kemudian dianalisis atau dengan cara preprocessing data. Proses Prepocessing Data dilakukan untuk merapikan data yang memiliki missing value, noise dan data yang tidak konsisten.

Tahapan preprocessing data akan menghasilkan data yang dapat diolah dan sesuai dengan yang diharapkan. Pada tahap ini dilakukan proses cleaning data tabel yang memiliki atribut missing value, proses cleaning ini akan menghasilkan data yang memiliki atribut yang lengkap. 3) Tahap ketiga adalah Training Data dan Testing Data. Proses Training dan Testing Data dilakukan dengan membagi dataset menjadi data training dan data testing, pada penelitian yang dilakukan pembagian data testing dan training sebesar 80% untuk data training dan 20% untuk data testing. 4) Tahap keempat adalah pembuatan model Backpropagation Neural Network. 5) Tahap kelima adalah Proses Backpropagation Neural Network, pada proses ini dilakukan pengujian dataset yang akan diolah menggunakan algoritma Backpropagation Neural Network. 6) Tahap keenam adalah Hasil Prediksi, Hasil dari pengolahan data akan menghasilkan hasil akhir yaitu hasil prediksi yang kemudian hasil prediksi tersebut akan dibandingkan dengan data aslinya. 7) Tahap ketujuh adalah Penulisan laporan hasil penelitian,. Tahap ini dilakukan dokumentasi proses penelitian dari tahap awal hingga tahap akhir dalam bentuk tulisan ilmiah[7].

2.1 Arsitektur Backpropagation Neural Network

Backpropagation Neural Network adalah salah satu model jaringan saraf tiruan dengan arsitektur multilayer yang sering digunakan dengan mencari bobot optimal pada jaringan saraf tiruan. Jaringan saraf tiruan atau artificial neural network telah berkembang sejak lima puluh tahun yang lalu. Menurut Fausett (1994) jaringan saraf tiruan merupakan sistem pemrosesan informasi yang memiliki karakteristik kinerja tertentu yang sama dengan jaringan saraf manusia.

Pada backpropagation neural network, jaringan diberikan sepasang pola yang terdiri atas pola masukan (input) dan pola yang diinginkan (target)[8]. Gambar contoh arsitektur Backpropagation Neural Network adalah sebagai berikut :

Gambar 2. Arsitektur BNN Ethereum

(5)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 277

Yosef, et., al [Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network]

r, implies research results (First Author) Gambar 2, merupakan Arsitektur Backpropagation Neural Network 3-8-1, 3-9-1 dan 3- 10-1 untuk memprediksi harga Ethereum dengan menggunakan 8 hingga 10 hidden layer.

Aristektur ini dibuat untuk memproses data dalam Backpropagation Neural Network, hasil output dari Arsitektur BNN adalah MAPE (Mean Absolute Percentage Error) dan akurasi, semaik besar akurasi yang didapat maka prediksi tersebut semakin baik[9].

2.2 MAPE (Mean Absolute Percentage Error)

MAPE atau Mean Absolute Percentage Error merupakan hasil presentase dari suatu kesalahan atau error mutlak. MAPE merupakan salah satu metode untuk mengetahui apakah hasil prediksi itu akurat atau tidak. Rumus MAPE adalah sebagai berikut.

 =  ∑     × 100% [10]

Dimana:

M = mape

n = ukuran sampel At = nilai data aktual

Ft = nilai data hasil prediksi

MAPE juga memiliki tingkatan keakuratan yaitu, dengan tabel sebagai berikut :

Tabel 1. Interpretasi Nilai MAPE

Nilai MAPE Interpretasi

≤ 10 Hasil Peramalan sangat akurat 10 – 20 Hasil Peramalan Baik

20 - 50 Hasil Peramalan Layak (Cukup Baik)

> 50 Hasil peramalan tidak akurat

MAPE (Mean Absolute Percentage Error) memiliki tingkatan interpretasi yang menunjukkan tingkat kelayakan hasil Prediksi. Ketika Nilai presentase MAPE kurang dari sama dengan 10% maka Hasi peramalan sangat akurat, tetapi jika nilai MAPE diatas 50% maka hasil peramalan tidak akurat dan tidak cocok untuk menjadi hasil peramalan[4].

3. HASIL DAN PEMBAHASAN

Bab ini membahas tentang bagaimana analisis, hasil pelatihan dan pengujian dengan python, bentuk akhir aplikasi, implementasi dan pengujian sistem.

3.1 Analisis Penutupan Harga Ethereum

Ethereum merupakan salah satu Cryptocurrency dengan marketplace terbesar kedua setelah Bitcoin. Untuk dapat melakukan prediksi harga Ethereum dengan menggunakan Algoritma Backpropagation Neural Network diperlukan pengolahan beberapa data yang dapat mempengaruhi harga penutupan harian Ethereum. Berikut merupakan variabel yang akan digunakan dalam memprediksi harga Ethereum: 1) Open 2) High 3) Low 4) Close

(6)

Tabel 2. X dan Y

Tabel 2, merupakan tabel x dan y yang merupakan variabel yang akan diolah dengan menggunakan metode Backpropagation Neural Network. x1 merupakan kolom Open, x2 merupakan High, x3 merupakan Low dan y merupakan kolom Close. Hasil prediksi nantinya akan menjadi kolom Ytarget atau Kolom Prediksi[11].

3.2 Hasil Pelatihan dan Pengujian dengan Python

Untuk melakukan pelatihan data dan pengujian data untuk menghasilkan hasil prediksi yang sesuai dengan tingkat error terkecil maka dilakukan Pelatihan dan Pengujian variabel yang akan diolah menggunakan Bahasa pemrograman Python[12], dengan menggunakan platform Google Colaboratory untuk memudahkan menganalisis dengan tahapan-tahapan, sehingga memperkecil terjadinya error pada program analisis yang dibuat.

Gambar 3. Grafik Histori Penutupan Harga Ethereum

(7)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 279

Yosef, et., al [Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network]

r, implies research results (First Author) Gambar 3, merupakan Grafik dari Histori penutupan harian Harga Ethereum dari dataset yang telah diinputkan, berisi kolom Date dengan tipe data Date, Open, High, Low, Close, Adj Close dan Volume dengan tipe data float. Data yang diinputkan sebesar 2240 baris dengan menggambil sampel variable y atau kolom Close dari tanggal 7 Agustus 2015 – 27 September 2021. All Time High atau harga tertinggi pada dataset yang diinputkan adalah pada tanggal 5 Mei 2021 dengan harga penutupan harian sebesar $3928.84.

3.3 Preprocessing Data

Dataset yang telah diinputkan sebelumnya selanjutkan dilakukan proses Preprocessing data, yang dilakukan supaya menghasilkan data yang berkualitas baik dan siap diteliti ke tahap selanjutnya. Preprocessing data juga berguna untuk merapihkan data yang akan diolah.

Gambar 4. Proses Preprocessing Data

Gambar 4, merupakan gambar dari proses preprocessing data, proses preprocessing data atau data cleansing sebelumnya sudah dilakukan secara manual dengan mencari kolom yang kosong lalu menghapusnya, Preprocessing data menggunakan Bahasa python memudahkan cleansing data jika ada data null atau data missing yang terlewat.

3.4 Training dan Testing Data

Sebelum melakukan proses pengolahan data dengan algoritma Backpropagation Neural Network dilakukan inisialisasi variable x dan y.

(8)

Gambar 5. Proses Inisialisasi x dan y

Gambar 5, merupakan proses inisialisasi x dan y pada program python, dengan x1 Open, x2 High, x3 Low dan Y Close. Proses inisialisasi ini didapatkan dari memilah kolom yang akan diolah dari dataset Ethereum. Data training sebesar 80% dan data testing sebesar 20%, hasil dari data testing yaitu hasil prediksi adalah 448 baris hasil prediksi.

3.5 Proses Backpropagation Neural Network

Setelah melakukan proses Training dan Testing data Langkah selanjutnya adalah proses Backpropagation Neural Network. Arsituktur BNN (Backpropagation Neural Network) yang diolah adalah Arsitektur BNN dengan 8 hidden layer (3 – 8 -1), Arsitektur BNN dengan 9 hidden layer (3 – 9 - 1) dan Aristektur BNN dengan 10 hidden layer (3 – 10 – 1).

Gambar 6. Proses Backpropagation Neural Network

(9)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 281

Yosef, et., al [Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network]

r, implies research results (First Author) Gambar 7, adalah proses Backpropagation Neural Network arsitektur BNN 3-8-1 dengan 1000 epoch dan 0,001 learning rate dengan menggunakan MAPE(Mean absolute percentage error). Proses iterasi atau epoch data yang diuji menggunakan arsitektur 3-8-1 mendapatkan hasil total error MAPE sebesar 1.4694.

3.6 Hasil Prediksi

Setelah dilakukannya proses pengolahan data dengan algoritma Backpropagation Neural Network, langkah selanjutnya adalah proses Hasil dan Pembahasan. Hasil dari pengolahan menggunakan Backpropagation Neural Network diubah menjadi file csv dan diinputkan kedalam Database, yang kemudian diolah menjadi bentuk tabel dan grafik didalam sebuah aplikasi Sistem Informasi Hasil Prediksi Ethereum[5].

Tabel 3. Perbandingan Prediksi Arsitektur BNN

Tabel 3, merupakan tabel perbandingan prediksi dengan arsitektur BNN 3-8-1, 3-9-1 dan 3-10-1 . Hasil prediksi yang didapatkan dengan menggunakan 20% data testing adalah 448 baris hasil prediksi. Proses BNN pada arsitektur BNN 3-8-1, 3-9-1 dan 3-10-1 menggunakan 1000 Epoch dan Learning Rate sebesar 0.001 menghasilkan nilai MAPE dari ketiga aristektur sebesar 1.4694, 1.4839 dan 1.4727.

Tabel 4. MAPE

Arsitektur Epoch Learning Rate MAPE

3 – 8 - 1 1000 0.001 1.4694

3 – 9 - 1 1000 0.001 1.4839

3 – 10 - 1 1000 0.001 1.4727

(10)

Tabel 4, merupakan tabel MAPE (Mean Absolute Precentage Error) dari hasil prediksi dengan Arsitektur BNN 3-8-1, 3-9-1 dan 3-10-1. Hasil nilai MAPE yang terkecil adalah 1.4694% yang merupakan hasil dari pengolahan dengan Arsitektur BNN 3-8-1, dan kedua adalah 1.4727% dari arsitektur BNN 3-10-1 dan yang terakhir 1.4839% dari arsitektur BNN 3-9- 1. Maka dapat disimpulkan bahwa nilai MAPE tidak bergantung dengan banyaknya Arsitektur Backpropagation Neural Network. Nilai MAPE dari keseluruhan arsitektur yang diolah adalah dibawah 10% yang berarti hasil peramalan Sangat Akurat.

3.7 Implementasi Sistem

Implementasi Sistem adalah hasil aplikasi berupa website Sistem Informasi yang dibuat untuk menampilkan hasil prediksi yang telah diolah sebelumnya.

3. 7.1 Halaman Utama Aplikasi

Halaman utama berisi garis besar isi dari hasil prediksi Ethereum menggunakan Backpropagation Neural Network dengan 3 arsitektur yaitu 3-8-1, 3-9-1 dan 3-10-1.

Gambar 7. Tampilan Halaman Utama Sistem Informasi Hasil Prediksi

Gambar 7 adalah halaman utama dari sistem. Halaman ini akan muncul ketika username dan password yang dimasukkan sudah valid dengan Database. Halaman menu Dashboard tidak akan muncul jika username dan password yang dimasukkan tidak valid. Halaman utama sistem memiliki 5 menu utama, yakni Menu Dashboard, Tambah Data, Lihat Data, Chart dan Search.

Pada tampilan Dashboard berisi icon total data, live chart Ethereum dan Notes penjelasan singkat hasil prediksi.

3. 7.2 Halaman Lihat Data

Pada halaman Lihat Data berisi Tabel Ethereum, Tabel Data Prediksi dan Tabel Data Admin. Tabel Data Prediksi, berisi 3 Tabel Hasil Prediksi menggunakan arsitektur Backpropagation Neural Network yaitu Tabel Prediksi dengan Arsitektur BNN 3-8-1, Tabel Prediksi dengan arsitektur BNN 3-9-1 dan Tabel Prediksi arsitektur BNN 3-10-1.

(11)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 283

Yosef, et., al [Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network]

r, implies research results (First Author) Gambar 8. Tampilan Halaman Tabel Ethereum

Gambar 8, merupakan tampilan halaman Tabel Ethereum yang diambil dari dataset Ethereum yang sudah diinputkan ke dalam Database. Data table detail Penutupan Harga Ethereum harian berisi kolom Date, Open, High, Low, Close, Adj Close, dan Volume. Data Ethereum merupakan dataset yang belum diolah[13].

Gambar 9. Tampilan Halaman Data Prediksi

Gambar 9, merupakan tampilan halaman Data Prediksi Ethereum yang sudah diolah menggunakan Backpropagation Neural Network dan data hasil prediksi sudah diinputkan kedalam Database dengan nama Tabel tabel_pred_381. Pada bagian bawah tabel prediksi, terdapat baris Total MAPE dari hasil prediksi sesuai dengan arsitektur Backpropagation Neural Network.

(12)

Gambar 10. Tampilan Halaman Data Prediksi Tab 2

Gambar 10, merupakan Tampilan Halaman Data Prediksi bagian 2. Tabel Prediksi 2 ini berisi kolom, Date, Close, Prediksi dan Perbedaan. Tabel Prediksi 2 berguna untuk membandingkan Y dan Ytargetnya. Didalam tabel 2 ini dapat mengetahui perbandingan data penutupan dan data hasil Prediksinya.

3. 7.3 Halaman Chart

Halaman Chart berisi tentang Grafik-grafik hasil Prediksi menggunakan algoritma Backpropagation Neural Network

Gambar 11. Tampilan Halaman Chart

(13)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 285

Yosef, et., al [Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode Backpropagation Neural Network]

r, implies research results (First Author) Gambar 11 merupakan Tampilan Halaman Chart yang berisi Line Chart dan Pie Chart.

Grafik yang terdapat didalam menu Chart adalah Grafik Ethereum, Grafik MAPE, Grafik Hasil Prediksi dengan arsitektur 3-8-1, 3-9-1 dan 3-10-1. Grafik ini dibuat dengan menggunakan ChartJs dengan data yang diambil dari Database. Data hasil prediksi dari ketiga arsitektur BNN yaitu Arsitektur 3-8-1, Arsitektur 3-9-1 dan Arsitektur 3-10-1, kemudian diinputkan kedalam grafik untuk mengetahui perbandingan data asli dengan data hasil prediksi yang telah diolah.

Terlihat grafik data hasil prediksi hampir mirip dengan data asli[14].

4. KESIMPULAN

Berdasarkan penelitian dan pengujian yang dilakukan, maka dapat disimpulkan bahwa penerapan data mining untuk memprediksi harga cryptocurrency Ethereum dengan menggunakan algoritma Backpropagation Neural Network pada studi kasus Data penutupan harian Ethereum menggunakan Bahasa pemrograman python dan sistem informasi hasil prediksi sangat membantu dalam proses penjelasan hasil prediksi Ethereum[15], yang telah diolah dengan menggunakan 3 arsitektur BNN(Backpropagation Neural Network) yaitu Arsitektur BNN 3-8-1, 3-9-1 dan 3-10-1 menghasilkan nilai MAPE (Mean Absolute Precentage Error) dari learning rate 0,001 dan 1000 epoch sebesar 1.4694, 1.4839 dan 1.4727 Selain itu, Sistem informasi hasil prediksi dapat mempermudah dalam pemantauan hasil prediksi Ethereum yang sudah diolah, dan dapat dipahami oleh masyarakat umum.

Penambahan Chart Ethereum dan Chart hasil prediksi berfungsi untuk mempermudah user atau pengguna dalam membaca grafik hasil prediksi yang telah dibuat. Terdapat pula fitur search data yang berguna untuk mencari data hasil prediksi dan prebandingan satu sama lain dari arsitektur BNN yang telah diolah. Secara keseluruhan Penerapan data mining untuk memprediksi harga cryptocurrency Ethereum dengan menggunakan metode Backpropagation Neural Network menghasilkan hasil prediksi yang akurat dan perbandingan hasil prediksi dan data asli hasilnya tidak berbeda jauh.

5. SARAN

Adapun saran yang diperlukan untuk prediksi cryptocurrency Ethereum dengan menggunakan algoritma Backpropagation Neural Network ini adalah mengenai tingkat error yang bisa lebih kecil lagi dari hasil penelitian ini dengan epoch atau arsitektur Backpropagation Neural Network yang ditingkatkan lagi.

DAFTAR PUSTAKA

[1] Lord Hodge, “Financial Technology,” Artif. Intell. Law, Vol. 2, No. 2, pp. 31–48, 2020, doi: 10.4324/9780429344015-2.

[2] A. Afrizal, M. Marliyah, and F. Fuadi, “Analisis Terhadap Cryptocurrency (Perspektif Mata Uang, Hukum, Ekonomi dan Syariah),” E-Mabis J. Ekon. Manaj. dan Bisnis, Vol.

22, No. 2, pp. 13–41, 2021, doi: 10.29103/e-mabis.v22i2.689.

[3] J. Ilmu, H. I.- Konsentrasi, and E. Politik, “Eksistensi Bitcoin Oleh Satoshi Nakamoto Terhadap Kebijakan Moneter China,” Vol. 8, pp. 1–9.

(14)

[4] E. Eka Patriya, “Implementasi Support Vector Machine pada Prediksi Harga Saham Gabungan (Ihsg),” J. Ilm. Teknol. dan Rekayasa, Vol. 25, No. 1, pp. 24–38, 2020, doi:

10.35760/tr.2020.v25i1.2571.

[5] M. Guntur, J. Santony, and Y. Yuhandri, “Prediksi Harga Emas Dengan Menggunakan Metode Naïve Bayes Dalam Investasi Untuk Meminimalisasi Resiko,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), Vol. 2, No. 1, pp. 354–360, 2018, doi:

10.29207/resti.v2i1.276.

[6] U. Usman, “Prediksi Harga Lada Dengan Menggunakan Neural Network Berbasis Particle Swarm Optimization,” J. Sist. Inf. dan Teknol. Inf., Vol. 6, No. 2, pp. 32–41, 2017, [Online]. Available: https://ejurnal.dipanegara.ac.id/index.php/jusiti/article/

[7] E. P. C. Edi Ismanto, “Jaringan Syaraf Tiruan Algoritma Backpropagation Dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau,” Rabit J. Teknol. dan Sist.

Inf. Univrab, Vol. 2, No. 2, pp. 196–209, 2017, doi: 10.36341/rabit.v2i2.152.

[8] S. Andriyani and N. Sihombing, “Implementasi Metode Backpropagation Untuk Prediksi Harga Jual Kelapa Sawit Berdasarkan Kualitas Buah,” Jurteksi, Vol. 4, No. 2, pp. 155–

164, 2018, doi: 10.33330/jurteksi.v4i2.40.

[9] M. N. D. SAWITRI, I. W. SUMARJAYA, and N. K. T. TASTRAWATI, “Peramalan Menggunakan Metode Backpropagation Neural Network,” E-Jurnal Mat., Vol. 7, No. 3, p. 264, 2018, doi: 10.24843/mtk.2018.v07.i03.p213.

[10] M. A. Maricar, “Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing Untuk Sistem Peramalan Pendapatan pada Perusahaan XYZ,” J. Sist. dan Inform., Vol. 13, No. 2, pp. 1–10, 2019.

[11] M. P. Taufiq Rohman, S.Pd.I, “Analisis Perbandingan,” Psikol. Perkemb., No. October 2013, pp. 1–224, 2019.

[12] A. K. RENGGALI, “Analisis Sentimen Data Review Aplikasi Female Daily pada Website Google Play Menggunakan Algoritma Naïve Bayes,” Juli, 2018, [Online]. Available:

https://repositori.usu.ac.id/bitstream/handle/123456789/44520/170403105.pdf?

[13] N. A. O. Saputri and N. Huda, “Implementasi Sistem Informasi Prediksi Hasil Penjualan Perangkat Komputer Menggunakan Metode Double Exponential Smoothing,” J. Media Inform. Budidarma, Vol. 4, No. 3, p. 806, 2020, doi: 10.30865/mib.v4i3.2253.

[14] A. Fitriadini, T. Pramiyati, and A. B. Pangaribuan, “Penerapan Backpropagation Neural Network Dalam Prediksi Harga Saham,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., pp.

1–4, 2020.

[15] Y. Mahena, M. Rusli, and E. Winarso, “Prediksi Harga Emas Dunia Sebagai Pendukung Keputusan Investasi Saham Emas Menggunakan Teknik Data Mining,” Kalbiscentia J.

Sains dan Teknol., Vol. 2, No. 1, pp. 36–51, 2015, [Online]. Available:

http://files/511/Mahena et al. - 2015 - Prediksi Harga Emas Dunia Sebagai Pendukung Keputu.pdf.

Referensi

Dokumen terkait

xylostella karena perlakuan dengan konsentrasi ekstrak biji sirsak tersebut dapat mengakibatkan kematian hingga 96,78% dari keseluruhan populasi serangga uji. Hal

pengaruh nyata pada parameter tinggi tanaman, diameter bonggol, volume akar, berat basah dan berat kering bibit kelapa sawit, namun tidak berbeda nyata pada

Dari Tabel Data Record di atas, dapat ditunjukkan file multi-list di bawah ini untuk kunci sekunder Kode-group. Setiap data record mempunyai tempat penunjuk untuk

Hubungan Orientasi Locus of Control dengan Tingkat Happiness Remaja Yatim Panti Asuhan Budi Mulia

Schouten menyatakan bahwa virtual pitch dapat dikenali secara subjektif dari komponen fundamental yang ada oleh distorsi non-linier yang terjadi pada telinga manusia, sehingga

Berdasarkan latar belakang di atas, maka permasalahan utama pada penelitian ini adalah: “Apakah penerapan model pembelajaran siklus belajar hipotetikal deduktif dapat

Atau dapat pula dikatakan rasio ini digunakan untuk mengukur tingkat efi siensi (efektivitas) pemanfaatan sumber daya perusahaan. Efi siensi yang dilakukan misalnya di